• 關(guān)注領(lǐng)域：

• AIGC
  

• 3D computer vision learning

• Fine-grained learning

• GNN

• 其他
  

• 聲明
  

• 論文較多，時間有限，本專欄無法做文章的講解，只挑選出符合PaperABC研究興趣和當(dāng)前熱點問題相關(guān)的論文，如果你的research topic和上述內(nèi)容有關(guān)，那本專欄可作為你的論文更新源或Paper reading list．

Paper list:

今日ArXiv共更新82篇.

2D 視覺

Detecting Human-Object Contact in Images

https://arxiv.org/pdf/2303.03373.pdf

發(fā)表于CVPR2023的工作，挖了一個新坑：human-object contact detection.　本文最主要的貢獻(xiàn)是提供了新的數(shù)據(jù)集，填補(bǔ)此領(lǐng)域研究的空白．

CapDet: Unifying Dense Captioning and Open-World Detection Pretraining

https://arxiv.org/pdf/2303.02489.pdf

本文提出了一個框架，主要用于統(tǒng)一Dense captioning和Open-World Detection的預(yù)訓(xùn)練．

Vision-Language learning

HICLIP: CONTRASTIVE LANGUAGE-IMAGE PRETRAINING WITH HIERARCHY-AWARE ATTENTION

https://arxiv.org/pdf/2303.02995.pdf

ICLR 2023接受的工作．是一篇基于CLIP的改進(jìn)工作，主要思想就是在CLIP的基礎(chǔ)上引入hierarchy-aware attention，使得CLIP能夠capture分層的視覺語言信息．

DECAP: DECODING CLIP LATENTS FOR ZERO-SHOT CAPTIONING VIA TEXT-ONLY TRAINING

https://arxiv.org/pdf/2303.03032.pdf

ICLR2023接受的文章．也是做CLIP的改進(jìn)，核心思想是訓(xùn)練一個Decoder來對CLIP text embedding進(jìn)行重建．之后圖像的embedding便可以轉(zhuǎn)換至Text embedding空間，實現(xiàn)text captioning.這樣的做法最大的優(yōu)點就是免去了pair數(shù)據(jù)．

Prismer: A Vision-Language Model with An Ensemble of Experts

https://arxiv.org/pdf/2303.02506.pdf

組合多個大模型獲得更強(qiáng)的能力．與昨天更新的一篇文章有些類似．

細(xì)粒度學(xué)習(xí)：

Fine-Grained Classification with Noisy Labels

https://arxiv.org/pdf/2303.02404.pdf

噪聲標(biāo)簽學(xué)習(xí)和細(xì)粒度學(xué)習(xí)的結(jié)合．發(fā)表在CVPR2023，由于細(xì)粒度數(shù)據(jù)inter-class之間的差異非常小，導(dǎo)致造成的噪聲會更嚴(yán)重．本文基于對比學(xué)習(xí)，分別提出了一個noise-tolerated的損失對noisy label進(jìn)行糾正，其次提出一個高效的特征采樣模塊，幫助表征性能學(xué)習(xí)．